NGS测序中PCR重复序列的判定方法

在NGS的数据分析中，去除PCR重复序列是一个常见的分析步骤，无论是WES/WGS的snp calling，还是chip_seq, ATAC_seq，都需要对原始的bam文件进行过滤，去除其中的PCR重复序列。

为了完成这一工作，常用的工具有以下几种

1. samtools

操作SAM/BAM文件，samtools肯定是首选的工具。在samtools中也提供了去除PCR重复的命令markdup, 该命令对输入的bam文件有以下两点要求

1. 必须是经过samtools fixmate命令处理之后的文件
2. 必须是按照比对上染色体坐标位置排序之后的文件

另外，由于fixmate命令要求输入的bam文件为按照read name,即序列名称排序之后的文件，所以在使用markdup命令时，需要以下4步转换过程

# 第一步，按照read name排序bam文件
samtools sort -n -o namesort.bam input.bam
# 第二步，运行fixmate命令
samtools fixmate -m namesort.bam fixmate.bam
# 第三步，按照coordinate排序bam文件
samtools sort -o positionsort.bam fixmate.bam
#第四步，运行markdup命令
samtools markdup positionsort.bam markdup.bam

虽然samtools处理bam文件的速度很快，但是经过这一系列的排序操作之后，整个duplicate做的过程耗时非常久。

2. picard MarkDuplicates

picard的MarkDuplicates命令称得上是使用的最广泛的去除PCR重复的工具了，要求输入的bam文件为按照比对位置排序之后的文件，用法如下

# 第一步，按照coordinate排序bam文件
samtools sort -o positionsort.bam input.bam
# 第二步，运行MarkDuplicate命令
java -jar picard.jar MarkDuplicate \
I=positionsort.bam \
O=markdup.bam \
M=markdup.metrc.csv

3. sambamba

sambamba是一款比samtools速度更快的操作BAM文件的工具，也提供了markdup命令，其PCR重复的判定方法和picard是一致的，用法如下

# 第一步，按照coordinate排序bam文件
sambamba sort -o positionsort.bam input.bam
# 第二步，运行markdup命令
sambamba markdup positionsort.bam markdup.bam

除了这三种方法之外，还有很多的工具可以去除PCR重复序列，只不过这3种方法最为常见，其中sambamba的操作速度最快，推荐使用。